論文の概要: HTT-Net: Hierarchical Text-guided Transition Modeling for Surgical Video Phase Recognition
- arxiv url: http://arxiv.org/abs/2607.16787v1
- Date: Sat, 18 Jul 2026 11:49:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.258951
- Title: HTT-Net: Hierarchical Text-guided Transition Modeling for Surgical Video Phase Recognition
- Title（参考訳）: HTT-Net:手術ビデオ位相認識のための階層的テキスト誘導遷移モデル
- Abstract要約: 手術ビデオ位相認識のための階層型テキスト誘導遷移モデリングネットワークであるHTT-Netを提案する。
鍵となるアイデアは、フェーズアウェアなセグメント構築とセマンティックリファインメントに構造化された外科的意味知識を導入することである。
Cholec80 と LCRS-100 の実験により,HTT-Net の有効性が示された。
- 参考スコア（独自算出の注目度）: 22.19338002382572
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Surgical video phase recognition is a fundamental task in computer-assisted intervention, supporting workflow understanding, intraoperative guidance, and surgical quality assessment. Although recent visual-temporal models have achieved promising progress, accurate and temporally coherent phase recognition remains challenging due to local visual ambiguity, transient prediction noise, and insufficient use of procedural semantics. To address these challenges, we propose HTT-Net, a Hierarchical Text-guided Transition modeling Network for surgical video phase recognition. The key idea is to introduce structured surgical semantic knowledge into phase-aware segment construction and semantic refinement. Specifically, we construct a hierarchical surgical semantic memory with intra-phase descriptions, inter-phase transition descriptions, and fine-grained semantic units. Based on this memory, the proposed Transition-Aware Segment Construction (TAS-Con) organizes frame-level evidence into coherent segment representations and handles boundary clips with inter-phase transition descriptions. Furthermore, we introduce Transition-Aware Segment Calibration (TAS-Calib), which calibrates phase-aware segment representations through hierarchical surgical semantics and improves discrimination under visual ambiguity without dense frame-level vision-language fusion. Experiments on Cholec80 and LCRS-100 demonstrate the effectiveness of HTT-Net for robust surgical video phase recognition.
- Abstract（参考訳）: 外科的ビデオ位相認識は, コンピュータによる介入, ワークフロー理解, 術中指導, 外科的品質評価の基本的な課題である。
近年の視覚的時間的モデルでは有望な進歩を遂げているが、局所的な視覚的曖昧さ、過渡的な予測ノイズ、手続き的意味論の不十分さにより、正確な時間的コヒーレントな位相認識は依然として困難である。
これらの課題に対処するため,手術ビデオ位相認識のための階層型テキスト誘導遷移モデリングネットワークであるHTT-Netを提案する。
鍵となる考え方は、フェーズアウェアなセグメント構築とセマンティックリファインメントに構造化された外科的意味知識を導入することである。
具体的には,相間遷移記述,相間遷移記述,微細な意味単位を含む階層型外科的意味記憶を構築する。
この記憶に基づいて、TAS-Con(Transition-Aware Segment Construction)は、フレームレベルのエビデンスをコヒーレントセグメント表現に整理し、フェーズ間遷移記述で境界クリップを処理する。
さらに、階層的な外科的意味論を通して位相認識セグメント表現を校正し、フレームレベルの高密度な視覚言語融合を伴わずに視覚的曖昧さの下での識別を改善する遷移認識セグメント校正(TAS-Calib)を導入する。
Cholec80 と LCRS-100 の実験により,HTT-Net の有効性が示された。
関連論文リスト
- SurgNarrator: A Generative Retrieval Framework for Surgical Video Understanding [35.05885138023876]
本稿では,外科的ビデオ理解に適した新しい生成検索フレームワークであるSurgNarratorを提案する。
臨床的に意味のある検索空間を定義するために,外科的接頭辞から手術中心の語彙を高度に構築する。
推論中、階層的で手続き対応の検索戦略は、検索空間を関連するプロシージャタイプに絞り込み、高速で効果的な応答を提供する。
論文 参考訳（メタデータ） (2026-08-05T10:39:19Z) - Towards Voxel Spacing Consistency for Medical Image Segmentation [56.992050146446495]
画像再サンプリングとセグメンテーションの相関について検討し,意味認識型再サンプリングフレームワークであるConsispaceを提案する。
コンシスペースは、解剖学的および意味的一貫性を維持しながら、軸方向における一貫したボクセル間隔を達成する。
論文 参考訳（メタデータ） (2026-06-30T15:42:23Z) - HyperVLP: Enhancing Hierarchical Surgical Video-Language Pre-training in Hyperbolic Space [50.603248889968306]
階層構造を明示的に保存するハイパーボリックな手術用ビデオ言語事前学習フレームワークを提案する。
複数の手術用ベンチマークの実験は、ゼロショットと少数ショットの位相認識において一貫した利得を示す。
論文 参考訳（メタデータ） (2026-06-30T07:21:06Z) - Towards Unified Surgical Scene Understanding:Bridging Reasoning and Grounding via MLLMs [32.18549469001096]
SurgMLLMは統一的な手術シーン理解フレームワークである。
単一のモデル内で、ハイレベルな推論と低レベルなビジュアルグラウンドをブリッジする。
大規模な実験により、SurgMLLMは外科的シーン理解を著しく前進させることが示された。
論文 参考訳（メタデータ） (2026-05-13T13:42:23Z) - Where It Moves, It Matters: Referring Surgical Instrument Segmentation via Motion [54.359489807885616]
SurgRefは、自由形式の言語表現を楽器の動きに基礎を置くモーションガイドフレームワークである。
SurgRefをトレーニングし,評価するために,高密度時間マスクとリッチモーション表現を備えた多機能ビデオデータセットRef-IMotionを提案する。
論文 参考訳（メタデータ） (2026-01-18T02:14:08Z) - TGC-Net: A Structure-Aware and Semantically-Aligned Framework for Text-Guided Medical Image Segmentation [56.09179939570486]
本稿では,パラメータ効率,タスク固有適応に着目したCLIPベースのフレームワークであるTGC-Netを提案する。
TGC-Netは、挑戦的なベンチマークで顕著なDiceゲインを含む、トレーニング可能なパラメータをかなり少なくして、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-12-24T12:06:26Z) - OphCLIP: Hierarchical Retrieval-Augmented Learning for Ophthalmic Surgical Video-Language Pretraining [60.75854609803651]
OphCLIPは、眼科手術ワークフロー理解のための階層的検索強化視覚言語事前学習フレームワークである。
OphCLIPは、短いビデオクリップと詳細な物語記述、構造化タイトルによるフルビデオの調整によって、細粒度と長期の視覚表現の両方を学習する。
我々のOphCLIPは、探索されていない大規模なサイレント手術ビデオを活用するために、検索強化事前訓練フレームワークも設計している。
論文 参考訳（メタデータ） (2024-11-23T02:53:08Z) - Friends Across Time: Multi-Scale Action Segmentation Transformer for
Surgical Phase Recognition [2.10407185597278]
オフライン手術相認識のためのMS-AST(Multi-Scale Action Causal Transformer)とオンライン手術相認識のためのMS-ASCT(Multi-Scale Action Causal Transformer)を提案する。
オンラインおよびオフラインの外科的位相認識のためのColec80データセットでは,95.26%,96.15%の精度が得られる。
論文 参考訳（メタデータ） (2024-01-22T01:34:03Z) - Pixel-Wise Recognition for Holistic Surgical Scene Understanding [33.40319680006502]
本稿では,前立腺腫データセットの全体的および多角的手術シーン理解について述べる。
本ベンチマークでは,様々な粒度の相補的タスクの階層構造として,外科的シーン理解をモデル化する。
提案したベンチマークを活用するために,Transformers for Actions, Phases, Steps, and Instruments(TAPIS)モデルを導入する。
論文 参考訳（メタデータ） (2024-01-20T09:09:52Z) - Exploiting Segment-level Semantics for Online Phase Recognition from
Surgical Videos [13.858624044986811]
ビデオから外科的位相認識のためのセグメント適応階層整合性ネットワーク(SAHC)を提案する。
フレームとその対応するセグメントの予測を一貫性損失によって正規化することにより、ネットワークはセマンティック一貫性のあるセグメントを生成することができる。
実験の結果,本手法は従来の最先端技術よりも大きなマージンで優れていることがわかった。
論文 参考訳（メタデータ） (2021-11-22T08:18:05Z) - Trans-SVNet: Accurate Phase Recognition from Surgical Videos via Hybrid
Embedding Aggregation Transformer [57.18185972461453]
本稿では,手術ワークフロー解析トランスフォーマーを初めて導入し,正確な位相認識のための時間的特徴と時間的特徴の無視された補完効果を再考する。
我々のフレームワークは軽量であり、高い推論速度を達成するためにハイブリッド埋め込みを並列に処理します。
論文 参考訳（メタデータ） (2021-03-17T15:12:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。